- 综合排序
- 最热优先
- 最新优先
腾讯云Agent Memory多场景实测攻克AI记忆挑战
腾讯云AgentMemory多场景实测攻克AI记忆挑战一、基础高频场景实测：从“翻文档半小时”到“3分钟开箱即用”痛点直击：做AI智能体开发的同学都知道，想让Agent记住用户偏好、跨会话延续任务，最先碰到的就是 二、复杂深水区场景实测：从“单点救火”到“全局记忆不丢线”痛点直击：到了遗留系统重构或者长周期多任务场景，记忆问题直接升级成“拦路虎”。 常规工具局限：传统方案在金融多轮推理与历史数据调用场景中，常因数据建模与跨系统分析能力有限，需大量人工衔接，导致分析效率受限、决策质量波动。 腾讯云AgentMemory实测解法：我测金融场景时用它的四层渐进式架构——L0原始对话→L1原子记忆→L2场景分块→L3用户画像，把20个模拟画像、6462条上下文、589道高难推理题扔进去，PersonaMem 可读性与细节优化：这些指标背后对应的是不同场景的核心优势——基础场景赢在快，复杂场景赢在稳，跨端场景赢在顺。每一步实测都能感受到它在记忆管理上的针对性设计，不是堆功能，而是解真问题。
11010编辑于 2026-05-07- 来自专栏程序人生小记
多场景学习
1 背景大型推荐系统存在多场景，而多场景的训练数据存在分布差异。比如：不同媒体的用户存在差异，不同资源位的用户存在差异。 和多场景建模很相似的任务是多任务学习，但这二者关注点不同。多任务学习解决相同场景/分布下的不同任务，而多场景建模解决不同场景/分布下的相同任务。 例如：推荐场景下的多任务学习通常是单个样本对于 CTR，CVR 等目标同时预估，而多场景建模是对不同场景样本预估相同的 CTR 目标。直接采用多任务学习的方法解决多场景建模也会存在一些问题。? 2 解决方案2.1 特征上的解决方案2.1.1 场景信息直接作为特征使用最简单的方法是把场景相关特征作为输入，场景特征维度一般较少，随着网络深度的增加，场景特征对最终预测结果影响有限。? 2.2.2 M2M将“场景敏感”特征z，喂入一个小网络，输出一个向量W，即W=G(z)。把W reshape成一个子模型Dynamic Weighted Network(DWN)。
1.8K30编辑于 2022-06-09 GPT Image 2实测，时代真的变了！
根据 OpenAI 的介绍，gpt-image-2 是目前 GPT Image 系列中能力最强的图像模型，重点提升了图像质量、编辑表现、文字渲染、复杂版式和真实场景理解能力。 你要告诉它镜头、光线、构图、材质、风格、比例、背景、人物动作，甚至还要反复补充“不要多一只手”“不要奇怪文字”“不要变形”。 但 GPT Image 2 给我的第一感觉是：提示词可以更自然了。 八、时代真的变了 GPT Image 2 最让我震撼的，不是某一张图有多惊艳，而是它让我看到了一种趋势： AI 图像生成正在从“灵感玩具”变成“视觉操作系统”。 彩蛋1 生成图预览，多图预警！ 彩蛋2 分享一些提示词，欢迎大家评论区分享！ 一张充满新春喜庆氛围但不失高雅格调的 2026 杭州城市宣传海报。 风格、色彩、场景、材质全部根据主题自动适配，所有元素必须强绑定主题，一眼识别，不要杂乱，不要硬拼贴，不要模板化背景，不要廉价奇幻素材。
1.1K30编辑于 2026-04-25- 来自专栏xiaosen
机器学习多场景实战
从智能推荐系统个性化推送你可能喜爱的电影和商品，到金融风控领域精准识别欺诈交易；每一个应用场景都是机器学习技术多维度、深层次实战的精彩演绎，我们通过一些小案例对业务进行了解~ 什么是数据指标 数据指标概念 转化率：计算方法与具体业务场景有关 淘宝店铺，转化率=购买产品的人数／所有到达店铺的人数 在广告业务中，广告转化率=点击广告进入推广网站的人数／看到广告的人数。 当月与上月都有购买的用户数/上月购买的用户数 应用Pandas合并数据集 - 组合数据的一种方法是使用“连接”（concatenation) - 连接是指把某行或某列追加到数据中 - 数据被分成了多份可以使用连接把数据拼接起来 B C D 0 a0 b0 c0 d0 1 a1 b1 c1 d1 2 a2 b2 c2 d2 3 a3 b3 c3 d3 0 a5 b5 c5 d5 2 a2 b2 c2 d2 a6 b6 c6 d6 3 a3 b3 c3 d3 a7 b7 c7 d7 df1.append(df2)
50710编辑于 2024-06-06 - 来自专栏3D视觉从入门到精通
M2DGR：多源多场景 地面机器人SLAM数据集（ICRA 2022 ）
：暂空缺； Notes 大纲： 1.多源SLAM发展现状 2.主流SLAM数据集回顾 3.M2DGR采集平台与环境 4.实验评估与结果分析 5.数据集使用指南 1 多源SLAM发展现状 主要内容包括：视觉 SLAM、激光SLAM、多源融合； 其中：多源融合的SLAM方法可以有效的提高SLAM的精度和鲁棒性，是目前最热门的领域之一； VSLAM主要分为以上四个模块；主要分为传统的方法和基于学习的方法；目前学术界会认为 SVO2相比与SVO，增加了多目的支持、后端优化以及回环检测，性能可以媲美ORB-SLAM3；DM-VIO是最新的一个工作。 ，NICE-SLAM可以处理大场景）；TANDEM展现了不错的实时三维重建性能。 ； 事件相机融合：可以解决传统相机运动模糊和过曝的问题； 轮速计融合：VINS on wheels解决了一些场景下的退化问题，目前该场景已经非常完善了。
1.3K50编辑于 2023-04-29 - 来自专栏IT码农
定义多场景的表单
定义多场景的表单 下面是一个带有添加/编辑的文章表单示例： namespace app\forms; use Yii; use app\models\Article; class ArticleForm extends \yii\base\Model{ const SCENE_ADD = 'add'; //添加场景 const SCENE_EDIT = 'edit'; //编辑场景 public form = new ArticleForm([ 'scenario' => ArticleForm::SCENE_ADD, ]); //菜鸟注意：如果前端用ActiveForm就别像我这样传第2个参数空字符串 = new ArticleForm([ 'scenario' => ArticleForm::SCENE_EDIT, ]); //菜鸟注意：如果前端用ActiveForm就别像我这样传第2个参数空字符串 接收参数失败'; } if($form->edit()){ return '保存完毕'; }else{ return $form->firstError[0]; } } 如果表单定义了多场景
68141发布于 2019-09-02 - 来自专栏JavaEdge
多主复制的适用场景(1)-多IDC
这就是多主节点（也称为主-主，或主动/主动）复制。 此时，每个主节点还同时扮演其他主节点的从节点。 3.1 适用场景 在一个IDC内部使用多个主节点没啥大意义，因复杂性远超带来的好处。 但某些case，多活配置也合理： 3.1.1 多IDC 为容忍整个IDC级别故障或更接近用户，可将DB的副本横跨多个IDC。 单主和多主： 性能 单活，每个写入须穿过互联网，进入主节点数据中心。 采用异步复制功能的多活配置通常能更好地承受网络问题：临时的网络中断并不会妨碍正在处理的写入。 有些数据库默认情况下支持多主配置，但使用外部工具实现也很常见，如MySQL的Tungsten Replicator。
67820编辑于 2022-08-01 从个人博客到电商中台：EdgeOne Pages的MCP Server弹性架构×DeepSeek多场景模板实测报告
其核心价值在于将边缘计算能力与现代 Web 开发范式深度融合，支持静态站点托管、动态应用开发、边缘函数部署等场景，尤其适合需要快速迭代、全球化加速或低成本运维的项目。 以下从技术原理、核心功能、应用场景等维度展开详细解析。 ; } .service-item { background: white; padding: 2rem; ; margin-top: 2rem; } .value-item { padding: 1.5rem; class="section-title">联系我们</h2>
地址：湖北省武汉市
96900编辑于 2025-04-04来自专栏yeedomliu腾讯云微搭多场景使用
实践：快速搭建餐饮小程序 步骤 使用微搭快速完成表单的CRUD 制作一个搜索页面（通过手机号查询预约信息），需要两个页面（搜索页、显示页） 数据源 创建数据源 添加字段『姓名』 添加字段『手机』 添加字段『日期』 创建应用 添加表单 填写并提交表单 查看数据 创建搜索页面 添加表单搜索字段 添加搜索按钮 修改输入框提示语 添加信息展示页 添加全局变量 搜索处理 显示页处理 显示效果 显示页面把全局参数赋值给表达式
4K30编辑于 2022-01-23来自专栏爱可生开源社区多场景 OceanBase 并发参数调整方案
2. 租户线程相关概念 2.1 租户最大线程数 为了维持租户活跃线程数恒定，同时考虑到大查询线程挂起的发生，租户就需要动态的从多租户线程池中申请线程。 结论 场景一&场景二：parallel_servers_target 等于 80，但在实际应用场景中，达到 80 并发并不一定会产生队列等待；未达到 80 并发也可能产生队列等待，与查询种类（大查询/小查询 场景三&场景四：大查询阈值并非越大越好，在 primary_zone 为 zone 相同优先级时，大查询阈值过大可能导致严重的队列积压从而导致 SQL 执行耗时大幅度上升。 场景一&场景五：当单独并发执行小查询时耗时可能很快，但是大查询与小查询同时并发执行时大查询可能会导致小查询的执行耗时也大幅升高。 back=kb 《工作线程》：https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000002014039 《多租户线程常见问题
52310编辑于 2025-06-20来自专栏架构驿站【性能工具】LoadRunner多场景顺序执行
应用场景： 假设有多个不同的测试场景，多个场景有先后执行顺序。或者都需要测试,但白天时间有限, 通过晚上批量执行,可以有两种方式实现。 （原文拷贝至上面的链接） 这种模式存在的一个问题是,多个Group的结果放在一起,分析的时候很麻烦 1.注意将没有Group中需要监控的事务名字设置为各不相同且易于理解的 2.通过时间来区分不同Group 的Hits/PerSecond 第二种：使用批处理 我们把应用场景稍微扩展一下，假设其中每个场景一个测试脚本(实际上没有关系,在场景里边设置你需要的脚本和模式,时间等等)。 lrs" -Run %M_ROOT%\wlrun.exe -TestPath "D:\Program Files\MI\Mercury LoadRunner\scenario\Test\TestScen_2. 在Control中设置好日志记录方式和路径,生成的日志名从res0.res1...顺序生成 2.
75850编辑于 2022-03-25来自专栏SIGAI学习与实践平台户外场景4种典型3D相机成像精度实测
为了让3D视觉学术研究、产品研发人员对这一问题有基本的了解，本文给出以下4种典型3D相机的成像效果实测： 1.国外某知名品牌双目3D相机（以下简称双目相机A），是当前全球范围内知名度最高的双目3D相机， 官方标明可用于室外场景； 2.国外某知名品牌双目3D相机（以下简称双目相机B），是全球范围内知名度仅次于双目相机A的产品，官方标明可用于室外场景； 3.国内某知名品牌结构光相机（以下简称结构光相机A）； Tensor Eye在这个场景中，对金属灯杆、百叶窗、砖的Z值误差<2mm。 2.木质托盘+纸质包装箱+塑料托盘 RGB图 双目相机A的点云 双目相机B的点云 Tensor Eye的点云 在这个场景中，双目相机A对底部的木质托盘，塑料包装箱的成像误差都是厘米级的，有肉眼可见的明显变形 2.双目相机B，价格比双目相机A贵2倍左右，成像精度比A有一定的改善，但没有量级上的提升，成像速度快。适用于对成本相对不敏感、对成像精度要求不高的室外场景，以及部分室内场景。
1.3K20编辑于 2023-10-23来自专栏深度学习与python实测对比！扣子空间播客功能完爆 NotebookLM，覆盖场景更大
实测对比！ 扣子空间播客功能完爆 NotebookLM，覆盖场景更大,InfoQ,4分钟 本播客由扣子空间（coze.cn）一键生成 作者 | 红羽 多模态始终是大模型领域，想象空间最大的应用概念，从 Sora 的文生视频 从场景来看，计划出游是个相对轻松的场景，用户很难这时去研究“提示词工程”，AI 的理解能力就成了保障交付的关键。 扣子空间的播客功能最强大的地方，在于其可适配的场景非常多，完全不限于上传 word 生成播客的僵化形式，接近于随时随地，在任何主流场景下，提供播客服务。 至于其他 AI 生成 PPT 的垂类工具，压力主要来自场景和产品。 场景足够广、产品足够强，是当下 AI 应用抢占市场的不二原则。但是垂类工具天然场景狭窄，客户获取困难。
65300编辑于 2025-06-08来自专栏秋枫学习笔记SATrans：多场景CTR预估，场景地适应的特征交互方式
然而大部分多场景模型都面临场景区分建模不充分、随着场景数量增加效果下降，缺乏可解释性等问题。 并且现存的所有多场景模型在对各场景区分建模时，都没有考虑过显示特征交互问题，这限制模型的表达能力且影响到模型性能。 2 模型结构 SATrans将基于self-attention的交互层堆叠成骨干网络，并由两个场景特定的组件组成：(1)场景编码器，将场景特定的特征转换为固定长度的embedding表征向量；(2) 场景自适应交互层 接着是多场景自适应交互层，在场景embedding的指导下通过自注意力机制组合高阶特征。通过堆叠L交互层，可以对(L + 1)阶的场景自适应特征交互进行建模。 为了提高场景embedding的质量，本文考虑三种信息来源：1）场景专业信息，区分不同的场景； 2）共享知识，编码场景之间的共性； 3）结构位置，表示自注意力网络中涉及场景嵌入的位置(例如，查询或关键嵌入时当前层的深度
2K50编辑于 2023-09-20来自专栏申龙斌的程序人生Ledger Nano S开箱实测2 -- 添加数字资产
熊市买了一个Ledger Nano S硬钱包进行定投囤币，昨天文章《Ledger Nano S开箱实测1 -- 初始化设备》介绍了如何初始化设备，注意备份好助记词，今天开始添加一种数字资产：BTC。
1.4K10发布于 2019-03-07来自专栏GPUS开发者ASUS ESC4000 G2搭配NVIDIA Grid K2实测
最爱地球的超级运算平台 利用ASUS ESC4000 G2搭配两片AMDFirePro S10000在2U空间中创造出每瓦特2.351 GFLOPS double(倍精度浮点数)运算能量的德国超级计算机 片目前最新NVIDIA K20XGPU运算加速卡，每瓦特能创造出超过4GFLOPS double的惊人数据，所以想要在空间运用、能源消耗与运算能量取得最佳效果绝对不能不使用ASUS ESC4000 G2这款超效能表现的 专为大量GPU 运算量身打造 早在三年前GPU运算刚刚开始萌芽阶段，ASUS就着手研发这款最高可以支持四片16x或八片8x GPU集成式2U高度的运算服务器平台ESC4000，但是当时GPU运算效能上虽然可达到 时势造英雄、ESC4000 G2 造时势 这次编辑部特别与ASUS借测的这台ESC4000 G2除了规格比起前一代的明显提升，很荣幸的也是全中国台湾第一家评测搭配Nvidia GRID K2顶级GPU 本次评测很庆幸也得到NVIDIA原厂的支持，所以这次ESC4000 G2搭配NVIDIAGRID K2主要测试方向是针对构筑在虚拟主机的环境上，因为单机多GPU已证实的确能够带来明显运算效能提升，而透过
1.6K60发布于 2018-03-30来自专栏技术博客实测！不同场景下，哪款 AI IDE 能真正帮你少加班？
（MGX），围绕 “场景适配、效率、成本、稳定性” 四个核心维度，在真实开发任务里跑了一遍，现在就把最实在的体验分享给你。 这次实测发现，腾讯 CodeBuddy 才是真正能帮新手 “无痛入门” 的选择。 这次实测，三款工具的 “适配能力” 差距很明显。 我们实测时，游戏的物理引擎逻辑一次生成就没报错，浏览器和微信开发者工具双端验证直接通过，省了至少 2 小时适配时间。 企业技术团队要做微服务重构、核心系统开发，腾讯 CodeBuddy 企业版的多智能体协作 + 合规保障，能扛住重活还不踩合规坑，编译效率提升 68% 的实测数据摆在这，靠谱又高效。
1.1K20编辑于 2025-10-10来自专栏测试开发干货【实测】django测试平台必看：各种请求方式的利弊和适用场景
【后遗症】：浏览器地址栏会变成这个url，如果刷新会重新进行请求此url，重新加载这个页面。
1.5K20编辑于 2022-05-192026运维监控平台精准选型指南：头部厂商实测与场景适配
适配场景：金融、制造、电信、政务等全行业中大型企业，尤其适合传统IT架构与混合云并存，且重视基础架构稳定性、信创合规的团队。2. 适配场景：深度使用阿里云资源的互联网、电商企业，纯云原生/混合云架构，追求监控与云服务无缝联动、高效运维的团队。2. Dynatrace：业务驱动型全栈可观测平台核心能力实测：聚焦跨区域全栈监控适配，无侵入式采集可兼容多公有云、混合云及复杂网络架构，支持跨地域资源统一管控与数据互通。 适配场景：大型金融、零售企业，有跨区域业务布局，需统一管控多地域资源、保障核心业务稳定运行，且预算充足的团队。2. Datadog：跨境云原生监控首选核心能力实测：专注跨境云原生监控，深度适配AWS、Azure、GCP等海外云平台，具备强大的跨区域数据聚合与合规管理功能，可实现多地域云资源统一监控。
34410编辑于 2026-02-05来自专栏二维码应用实测实量二维码的应用场景和优势
图片实测实量是指应用测量工具，通过现场测试、丈量而得到的能真实反映产品质量数据的一种方法，是质量验收中最重要的环节。 实测实量可以用于建筑室内空间尺寸（包括长、宽、高等）的测量，通过实测实量能够把误差控制在规范允许范围之内。 为了提高实测实量的效率，可以在草料二维码平台将分部分项工程比如：墙、柱、板等生成二维码，做到“一物一码”，进行现场粘贴，质量员、施工员只需扫描二维码便能在现场录入实测实量数据，并且在电脑后台可以统一导出数据 实测实量二维码可以高效展示信息，便于扫码查看与分享。以下是在草料二维码平台制作实测实量二维码的效果示例。效果示例1 . 2. 可生成一批空二维码，现场填写测量数据空码是指，可以在现场扫码录入测量数据，此外还支持【图片】、【录音】、【视频】和【定位】。
40930编辑于 2023-04-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号